Há alguns dias, a Xiaohongshu apresentou seu grande modelo no exterior — dots3-note preview. Este modelo é uma arquitetura MoE com um total de 280 bilhões de parâmetros e 16 bilhões de parâmetros ativados. Ele suporta uma janela de contexto de 512K e oferece compreensão multimodal, abrangendo texto, imagem e voz. O modelo faz parte da série dots3, cujos trabalhos anteriores receberam nota máxima no IMO 2026, e as versões jazz e aria estão planejadas.
No mesmo dia, a Huawei Ascend anunciou a adaptação deste modelo. É notável que a Xiaohongshu, com mais de 300 milhões de usuários mensais, demonstrou publicamente suas capacidades em modelos fundamentais. Isso pode indicar uma mudança no uso de IA dentro da plataforma: ela pode passar de uma função de busca e recomendação para um elemento básico que suporta todo o produto.
Ao considerar grandes modelos como uma ferramenta do mundo digital, torna-se claro que é o modelo que determina a precisão e a velocidade das iterações de funções de alto nível, como criação de conteúdo, busca e recomendações. Para uma plataforma suficientemente grande, a dependência de longo prazo de modelos externos parece ser uma escolha instável. De acordo com avaliações públicas, o dots3-note preview mostra resultados competitivos em tarefas de raciocínio, agentes e multimodalidade, superando alguns modelos maiores em tarefas ARC-AGI-3 e assistente, embora fique atrás de soluções avançadas em operações terminais e programação complexa. Ele se assemelha a um módulo de capacidade que já pode ser aplicado, mas que continuará a evoluir dependendo de quem conseguir integrá-lo em produtos reais, garantir uso barato e estável, e realizar iterações em cenários específicos.
A Xiaohongshu escolheu a licença Apache 2.0 e lançou o modelo nas plataformas Hugging Face e GitHub. O código aberto traz um benefício direto, pois o novo modelo precisa de testes, feedback e suporte ao ecossistema; a adaptação da Huawei Ascend no dia zero é um exemplo da velocidade desse ecossistema. Além disso, é uma declaração pública à comunidade técnica de que a Xiaohongshu está participando da criação de capacidades fundamentais, e não apenas aplicando IA.
O lançamento inclui dois testes de referência: um verifica a busca de múltiplos passos e outro foca na execução de tarefas entre etapas, indicando busca e serviços na vida real — uma área onde a plataforma provavelmente poderá se destacar.
Muitas vezes é feita a pergunta por que uma plataforma de conteúdo com acesso a modelos de terceiros tão poderosos deve investir pesadamente em pesquisa própria. Para pequenas equipes, basta usar APIs, mas para uma plataforma com centenas de milhões de usuários e consultas frequentes, assim que as capacidades do modelo se tornam parte da cadeia principal, a dependência de fornecedores externos se torna complicada tanto em termos de custos quanto de volatilidade de preços. Mais importante ainda, os modelos gerais podem não entender o verdadeiro significado de ações como procurar um restaurante, planejar uma viagem ou evitar erros ao decorar no contexto da Xiaohongshu; as decisões de vida não são apenas buscas de informações, e a IA da plataforma exige modelos capazes de entender essas necessidades contextuais e mutáveis. Quando a IA afeta a experiência principal do usuário do produto, o modelo se torna uma infraestrutura, assim como ByteDance tem Doubao, Tencent tem Hunyuan, Alibaba tem Tongyi e Baidu tem ERNIE.